开源生态前沿资讯

微软 TokenEconomizer:无需修改代码即可将智能体 Token 成本降低 30%

约 3 分钟阅读

AI最前沿 88Z.ai 11 月 21 日消息,微软研究院与加州大学伯克利分校联合推出 TokenEconomizer,这是一种本地封装工具,旨在通过利用历史会话经验来优化 AI 编程智能体的工作流程。该工具无需重新训练模型或修改智能体源代码,即可在 SWE-Bench 基准测试中将 Token 消耗降低 18.4% 至 30.9%。它通过减少重复的工具调用和失败尝试来提升效率,支持 Claude Code、Codex 等主流工具,并已开源。

消息要点

  • TokenEconomizer 通过利用历史会话经验优化工作流,无需重新训练模型
  • 在 SWE-Bench 测试中,Token 成本降低 18.4% 至 30.9%
  • 以本地封装形式运行,兼容 Claude Code、Codex 等主流工具
  • 微软已将该工具在 GitHub 上开源,无需修改智能体源代码
TokenEconomizer 工作流程示意图,展示如何利用历史数据优化智能体调用
TokenEconomizer 工作流程示意图,展示如何利用历史数据优化智能体调用

背景与核心创新

传统 AI 编程智能体在处理任务时往往缺乏记忆机制,每次执行都如同从零开始,导致大量的重复计算和资源浪费。微软研究院与加州大学伯克利分校合作开发的 TokenEconomizer 旨在解决这一痛点。其核心理念是让 AI 工具从过往经验中学习,而非在每次任务中重置状态。该工具通过封装现有的编程智能体,利用之前仓库会话中的教训来减少不必要的工作量和成本,同时保持输出结果的质量不变。这种方法不依赖于对底层大语言模型的重新训练,而是侧重于优化智能体的交互策略。

技术实现与工作原理

TokenEconomizer 以本地封装的形式运行,安装在用户目录的 ~/.tokeneconomizer 路径下。它兼容多种主流编程辅助工具,包括

性能表现与基准测试

根据公开的报告数据,TokenEconomizer 在 SWE-Bench 基准测试的 277 个 bug 修复任务中进行了评估。结果显示,该工具能够将平均 Token 成本降低 18.4% 至 30.9%。这一显著的节省主要归功于它有效减少了因重复失败而产生的浪费性工具调用。值得注意的是,这种性能提升是在未对底层模型进行任何微调或重新训练的情况下实现的,证明了基于历史上下文优化的有效性。该项目已在 GitHub 上由微软官方开源,供开发者社区使用和审查。

88Z 观察

TokenEconomizer 的出现标志着 AI 代理优化从“模型层”向“系统层”转移的重要趋势。对于企业而言,在不牺牲性能的前提下降低 30% 的 API 调用成本具有巨大的经济吸引力。然而,开发者需注意,该方法的效果高度依赖于历史数据的质量和相关性。如果过往会话包含大量错误或无关信息,可能会产生负面干扰。此外,虽然目前支持主流工具,但在复杂的多文件重构场景中,其历史引用机制的准确性仍需在实际生产环境中进一步验证。建议团队在引入前先在非关键项目中进行小规模试点。

资料来源与整理说明

本文由 AI最前沿通过 AI 辅助整理公开资料。产品能力与开放范围按发布方说明转述,未将其视为本站实测或独家采访结论。

  1. @PhilSeamark原始资料发布于

以上日期为原始资料发布日期;标题下方日期为本文在 AI最前沿的发布时间。

相关阅读

全部资讯
Ai最前沿